基于灰色预测改进模型的配电网可靠性指标预测

对于城市大规模配电网来说,由于用电负荷、接线方式、设备数量均长期处于不断的变化之中,配电网可靠性指标的预测分析对供电企业的电网规划、改造等工作都有很大的指导意义.通过对原始统计数据进行光滑处理和改变微分方程的初始条件,建立了基于边值条件修正的灰色预测GM(1,1)改进模型,并用该模型对广东某地区的配电网可靠性指标进行预测.实例证明,改进的模型对于生成序列和预测值具有指数修正效用,可以有效提高预测精度.     

电力市场短期电价预测的误差修正模型

基于时间序列误差修正模型理论,建立了一种用于短期电价预测的误差修正模型.通过差分将电价及其最主要的影响因素进行平稳化预处理,建立两者的多变量自回归方程,利用单位根法检验协整关系,建立用于电价预测的误差修正模型并估计参数,最后利用该模型预测短期电价.与传统时间序列模型相比,该模型可有效刻画时间序列的短期波动,有助于预测电...     

基于改进灰色马尔科夫预测法的中长期负荷预测

提出了一种提高对可能发生较大畸变序列的负荷预测精度的方法。由于电力负荷受天气、节日、经济等较多因素影响,在时间序列上表现为非平稳的随机过程,在某些年份负荷值可能会出现较大畸变,导致模型预测精度下降。分三步对畸变较大的数据样本进行预测以及误差分析,首先建立灰色预测模型,然后利用残差进行模型修正以增加序列波动性,而后用改进的马尔科夫链进行误差修正以提高精度。采用某市1998年至2013年最大负荷作为样本数据验证算法有效性,算例结果表明:与传统灰色系统预测模型相比,此模型有更高的拟合精度和预测精度。此方法的优势在于:在相同样本情况下,拟合程度高并且可以明显修正畸变数据带来的误差。     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

基于ARIMA-GM改进算法的建筑负荷预测

为降低空调能耗,实现2035年的双碳目标,应对建筑负荷的线性和非线性组合特性,提出了一种包含残差修正的ARIMA-GM组合模型对建筑负荷进行预测。利用Designbuilder在南京典型气象年下输出全年负荷结果,对数据进行筛选,进而用ARIMA模型对数据进行识别和拟合,对其残差子序列运用新陈代谢GM(1,1)改进模型进行修正。通过对南京市某楼宇的预测效果分析验证,所提方法能够提高楼宇负荷预测精度。     

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。     

考虑优化ARIMA模型差分次数的风功率预测

针对现有差分自回归移动平均模型进行风功率预测不具有普遍适用性问题,对差分自回归移动平均模型进行改进,提出了一种确定不同出力特性的风电场风功率时间序列转化为平稳序列所需的最优差分次数的方法。应用增广迪基-福勒检验判断序列的平稳性,分别以赤池信息准则、Yule-Walker方程以及移动平均参数和自协方差方程的关系确定出模型阶数、自回归参数、移动平均参数,并加入限幅环节对预测结果进行修正。以昌图风电场的原始出力数据为例,以图形的形式直观分析了原始风电出力序列的概率分布特性、时间相关性、时间分布特性和波动特性等性质,验证了预测序列满足原序列的性质。以误差、均方差、平均绝对误差为预测评价指标,与原差分自回归移动平均模型相比,所提出的改进差分自回归移动平均模型具有更好的预测效果。     

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.     

基于缓冲算子和时间响应函数优化灰色模型的中长期负荷预测

针对中长期电力负荷预测,对传统灰色预测模型进行改进。一方面,对原始数据序列进行平均弱化缓冲算子作用,有效地消除了冲击扰动系统的干扰;另一方面,提出了时间响应函数的优化方法,即利用原始序列与其模拟值的欧氏距离最小为约束条件,来确定常数C,使原始信息得到更好的利用。将改进的模型应用于某地区年负荷预测中,算例结果表明,改进的模型与传统模型相比具有较高的预测精度,更适用于长期负荷预测。     

粒子群优化的灰色模型在中长期负荷预测中的应用

针对GM(1,1)模型的局限性及在负荷预测中存在的问题,提出了一种基于粒子群优化的灰色模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化灰色模型的背景值及初始值修正值,能较好地提高电力系统中长期负荷预测的精度.在虚拟仪器LabVIEW平台上进行仿真,验证了所提方法的有效性.     

基于残差周期修正的灰色电价预测模型

电力市场中的电价曲线具有多周期、跳跃等特性,而呈指数增长的灰色GM(1,1)模型预测误差较大,为此,文章提出了基于残差周期修正的灰色电价预测模型。该模型不仅利用了灰色模型的优点,而且通过原始数据的平滑处理、初值条件的改进以及残差周期修正使预测曲线波动起来,使拟合曲线更加接近原始数据,大大提高了模型的预测精度。算例结果验证了该方法的可行性。     

改进灰色模型在中长期电力负荷预测中的应用

由于中长期负荷预测历史数据较少,而且受外界因素影响较大,因此选取合理的预测模型十分关键.灰色模型是一种比较好的预测方法,但传统的灰色预测精度不理想,为此,提出了一种改进方法,即通过对原始数据进行开次方处理来降低预测模型的模型系数,对数据进行平滑处理来削弱原始数据中异常值的影响,对灰色建模预测后作残差修正和等维新息递补处理,以进一步提高预测精度.经过对重庆地区的农村用电量预测分析表明,提出的改进方法是合理适用的,其中改进GM(1,1)模型开二次方精度最高,预测精度满足实际应用需要.     

基于最优有效度的电力系统可靠性原始参数的线性组合预测模型

针对电力系统可靠性原始参数缺乏和开发可靠性原始参数小样本的需要,提出了电力系统可靠性原始参数的线性组合预测模型。为了提高预测精度,分别应用灰色优化模型和Verhulst模型等改进模型进行可靠性原始参数的预测。与此同时,建立以有效度为目标函数的最优组合预测模型,并用简化的计算公式得到权系数的最优近似解,将预测值进行线性组合。基于该文所开发的预测模型的预测结果表明,组合预测模型的预测结果优于单一模型的预测结果。     

相似日短期负荷预测的非线性理论基础与改进

从非线性动力系统理论角度看,相似日预测的实质是对负荷序列中平衡点和准周期行为的预测。特定相似日预测方法所使用的负荷序列频谱越宽,预测结果就越准确,其实质是加强了准周期和混沌成分的预测;另外,采用负荷水平则增强了对平衡点的预测能力。采用“连续多天负荷”作为改进的相似日预测的基本单元、采用原始负荷的“负荷趋势 相似日”分解预测、对原始负荷序列按照素数间隔二次抽样等,都是提高预测准确率的具体手段。     

中长期电力负荷预测的盲数回归方法

为克服传统回归预测模型无法很好处理观测数据及负荷规律不确定性所致负荷预测不尽人意的问题,采 用盲数理论改进传统的中长期负荷线性回归预测模型。此法用盲数的形式来表达预测模型的相关变量,来获得负 荷可能出现的多个区间,同时得到各个区间可能出现的可信度情况。算例表明改进的算法比较准确,丢失的信息 量少,可用于包含不确定性因素的负荷预测。     

电力系统中长期负荷预测软件包的开发

作者开发了基于Windows操作平台的电力系统中长期负荷预测软件包。该软件包分为原始数据处理、负荷预测、预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包建立的负荷预测的模型库具有分析、计算快速，检验方法多、结果输出形式多样的特点。模型库具有智能化的专家系统，可以针对不同地区的具体情况进行调整，适用范围广泛。最后以某地区的需电量历史数据为例，选择了5种不同模型进行了预测，并与综合模型的预测结果进行了分析和比较。分析表明该软件包人机界面友好、选用模型合理、预测结果精度较高，能够满足当今快速发展的电力市场对于电力负荷预测的精度的要求，并解决了当前电力系统中一些负荷预测软件可操作性不强，模型适用范围小的问题。     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。